5.3. Методы прогнозирования основных финансовых показателей

1. Методы экспертных оценок - это способ установления некоторых прогнозов и планов на интуитивном уровне.

В современной интерпретации методы экспертного прогнозирования могут предусматривать многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью научного инструментария экономической статистики. Эти методы применяются не только для прогнозирования значений показателей, но и в аналитической работе (например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т.д.).

2. Методы обработки временных, пространственных и пространственно-временных совокупностей

Выбор того или иного метода зависит от множества факторов, в том числе имеющихся в наличии исходных данных. По этому параметру можно выделить три типовые ситуации:

1. Наличие временного ряда.

Эта ситуация встречается на практике наиболее часто: финансовый менеджер или аналитик имеет в своем распоряжении данные о динамике показателя, на основании которых требуется построить приемлемый прогноз.

Динамический (или временной) ряд представляет собой совокупность значений изучаемого показателя, относящихся к некоторым последовательным интервалам или моментам времени; в первом случае ряд называется интервальным, во втором — моментным.

Временной интервал, заложенный в основу ряда, чаще всего предполагается постоянным (год, месяц, день и т, п.). Пример интервального ряда: данные о годовом товарообороте магазина за ряд лет; пример моментного ряда: данные о стоимости основных средств данного магазина на начало года за ряд лет.

Наиболее типовая ситуация при обработке динамического ряда — выделение тренда. Это можно сделать с помощью различных методов:

• метод «на глазок». Возможны различные его варианты: например, построение приблизительного графика зависимости по статистическим данным, представленным графически; расчет среднего темпа прироста; определение прогнозируемого значения уровня ряда, главным образом, на основе интуиции и с минимальным привлечением статистических данных.

• метод скользящей средней. Временной ряд делится на сегменты, содержащие, например, по три элемента ряда; для каждой «тройки» рассчитывается средняя. Этим достигается сглаживание отдельных выбросов от общей тенденции. Полученный ряд средних подвергается визуальному или количественному анализу для выявления тенденции;

• метод усреднения по левой и правой половинам. Один из вариантов таков: ряд разбивают на две части, находят среднее значение признака для каждой половины, строят график в виде прямой, проходящей через найденные два значения;

• метод наименьших квадратов (построение уравнения регрессии, чаще всего линейного, поскольку оно легче поддается интерпретации, хотя возможно построение любой нелинейной формы тренда).

Применение регрессионных моделей для целей прогнозирования основывается на двух методах:

а) простом динамическом анализе. Этот метод исходит из предпосылки, что прогнозируемый показатель у изменяется прямо (обратно) пропорционально с течением времени. Поэтому для определения прогнозных значений показателя у строится, например, следующая зависимость:

у_t = a₀ + a₁ t, (5.2)

где t - порядковый номер периода.

Параметры уравнения регрессии (а₀, a₁t) находятся, как правило, методом наименьших квадратов. Подставляя в формулу нужное значение t, можно рассчитать требуемый прогноз.

б) анализе с помощью авторегрессионных зависимостей.

В основу этого метода заложена очевидная предпосылка о том, что экономические процессы отличаются, во-первых, взаимозависимостью и, во-вторых, определенной инерционностью. Последнее означает, что значение практически любого экономического показателя в момент времени t зависит определенным образом от состояния этого показателя в предыдущих периодах (в данном случае мы абстрагируемся от влияния других факторов), т. е. значения прогнозируемого показателя в прошлых периодах должны рассматриваться как факторные признаки.

Уравнение авторегрессионной зависимости в наиболее общей форме имеет вид

у_t = а₀ + а₁y _t-1 + а₂ у_t-2 + … + a_k y_t-k , (5.3)

где у_t — прогнозируемое значение показателя у в момент времени t;

y_t-k - значение показателя у в момент времени (t – k);

a_k - k-й коэффициент регрессии.

2. Наличие пространственной совокупности. Эта ситуация имеет место в том случае, если по некоторым причинам статистические данные о показателе отсутствуют либо есть основание полагать, что его значение определяется влиянием некоторых факторов. Может применяться многофакторный регрессионный анализ, представляющий собой распространение простого динамического анализа на многомерный случай. В результате качественного анализа выделяется k факторов (х₁, х₂, ... , х_k), влияющих, по мнению аналитика, на изменение прогнозируемого показателя у, и строится чаще всего линейная регрессионная зависимость типа:

у = а₀ + a₁x₁ + а₂х₂ + … + а_kх_k, (5.4)

где а_k — коэффициенты регрессии.